Схемы интерполяции оптимальных значений параметров вентиляционного потока в зависимости от значений показателей пациента при искусственной вентиляции легких

В статье на основе базы исходных данных успешного лечения пациентов предлагаются две схемы интерполяции оптимальных значений параметров вентиляционного потока при искусственной вентиляции легких (ИВЛ) рассматриваемого пациента. На математическом уровне выбор оптимальных значений параметров вентиляционного потока в зависимости от значений показателей текущего состояния пациента является задачей многомерного нелинейного регрессионного анализа.  Первая схема основана на применении математического аппарата искусственных нейронных сетей. Вторая схема основана на применении математического аппарата метрического анализа, созданного на кафедре Прикладной математики МИФИ и в настоящее время используемого при математической обработке данных и решения задач оптимизации в различных прикладных областях. Реализация обеих схем позволяет использовать накопленные данные по успешному лечению пациентов на аппаратах ИВЛ аналогичных заболеваний легких для рассматриваемого конкретного пациента.  Обе схемы позволяют в процессе лучения пациента адаптировать оптимальные значения параметров вентиляционного потока к текущим показаниям пациента, подключенного к аппарату ИВЛ. В дальнейшем планируется совместное объединенное использование этих двух схем интерполяции для получения более точного и надежного конечного результата решения вышеуказанной задачи оптимальной интерполяции.

1. Чурсин В.В. Искусственная вентиляция лёгких: Учебно-методическое пособие. Алматы, 2008. 55 с. ISBN 9965-874-64-6.

2. Кузьков В.В., Суборов Е.В., Фот Е.В., Родионова Л.Н., Соколова М.М., Лебединский К.М., Киров М.Ю. Послеоперационные дыхательные осложнения и ОРДС легче предупредить, чем лечить //. Анестезиология и реаниматология, 2016. № 61(6). C.461-468.

3. Патент RU2003121722A. Способ проведения длительной искусственной вентиляции легких. Google Patents, 2019. https://patents.google.com/patent/RU2003121722A/ru

4. Li M., Jiang Y., Zhang Y., Zhu H. Medical image analysis using deep learning algorithms // Frontiers in Public Health,2023. V.11. 1273253. DOI: 10.3389/fpubh.2023.1273253.

5. Zhang L., Zhu E., Shi J., Wu X., Cao S., Huang S., Ai Z., Su J. Individualized treatment recommendations for patients with locally advanced head and neck squamous cell carcinoma utilizing deep learning // Front. Med., 2025. V.11. 1478842. DOI: 10.3389/fmed.2024.1478842.

6. Perkins S. W., Muste J. C., Alam T., Singh R. P. Improving Clinical Documentation with Artificial Intelligence: A Systematic Review // Perspectives in health information managemen, 2024. V.21(2), 1d. PMCID: PMC11605373

7. Крянев А.В., Лукин Г.В., Удумян Д.К. Метрический анализ и обработка данных. М.: Физматлит, 2012. 308 с.

8. Kryanev A.V., Udumyan D.K. Metric analysis, properties and applications as a tool for interpolation // International Journal of Mathematical Analysis, 2014. V. 8 (45). P. 2221-2228. DOI:10.12988/ijma.2014.48252

9. Kryanev A.V., Udumyan D. K. Metric Analysis, Properties and Applications as a Tool for Forecasting // International Journal of Mathematical Analysis, 2014. V. 8. № 60. P. 2971 – 2978. DOI: 10.12988/ijma.2014.411341

10. Ivanov V.V. Kryanev A.V., Udumyan D.K., Lukin G.V.. Metric Analysis Approach for Interpolation and Forecasting of Time Processes // Applied Mathematical Sciences, 2014. V. 8. № 22. P. 1053 – 1060. DOI: 10.12988/ams.2014.312727

11. Климанов С.Г., Котляров А.А., Крянев А.В., др. Сравнение методов выявления аномальных выбросов в исходных данных и их применение при обработке данных искусственной вентиляции легких // Вестник НИЯУ МИФИ, 2025. T.14(1). C.37-49. DOI: 10.26583/vestnik.2025.1.4.

12. Tavoosi J., Zhang Ch., Mohammadzadeh A., Mobayen S., Mosavi A. H. Medical Image Interpolation Using Recurrent Type-2 Fuzzy Neural Networks // Frontiers in Neuroinformatics, 2021. V.15. 667375. doi: 10.3389/fninf.2021.667375

13. Ваганов С. Е. Адаптивный нейросетевой метод построения интерполяционной формулы для удвоения размера изображения // Компьютерная оптика, 2019. Т. 43, № 4. С. 627-631. DOI: 10.18287/2412-6179-2019-43-4-627-631.

14. Gambini L., Gabbett C., Doolan L. , Jones L., et al. Video frame interpolation neural network for 3D tomography across different length scales // Nature Communications, 2024. V.15 (1). 7962. DOI: 10.1038/s41467-024-52260-2.

15. Hariharan S., Karnan H., Maheswari D.U. Automated mechanical ventilator design and analysis using neural network // Scientific Reports, 2025. V.15. 3212. DOI: 10.1038/s41598-025-87946-0.

16. Peine A., Hallawa A., Bickenbach J., et al. Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation in critical care // NPJ Digital Medicine, 2021. V.4 (1). DOI: 10.1038/s41746-021-00388-6.

17. Diao S. Changsong W., Junyu W., Yizhou Li. Ventilator pressure prediction using recurrent neural network. DOI: 10.48550/arXiv.2410.06552.

18. Bakkes T., Diepen A. van, Bie A.De., Montenij L. Automated detection and classification of patient–ventilator asynchrony by means of machine learning and simulated data // Computer Methods and Programs in Biomedicine, 2023. V.230 (6). 107333 . DOI: 10.1016/j.cmpb.2022.107333.